?? ?作者 陳巍 博士：存算一體/GPU架構(gòu)和AI專家，高級(jí)職稱。中關(guān)村云計(jì)算產(chǎn)業(yè)聯(lián)盟，中國光學(xué)工程學(xué)會(huì)專家，國際計(jì)算機(jī)學(xué)會(huì)（ACM）會(huì)員，中國計(jì)算機(jī)學(xué)會(huì)（CCF）專業(yè)會(huì)員。

作者 耿云川 博士：資深SoC設(shè)計(jì)專家，軟硬件協(xié)同設(shè)計(jì)專家，擅長人工智能加速芯片設(shè)計(jì)。

流式多處理器（Stream Multi-processor，SM）是構(gòu)建整個(gè) GPU的核心模塊（執(zhí)行整個(gè) Kernel Grid），一個(gè)流式多處理器上一般同時(shí)運(yùn)行多個(gè)線程塊。每個(gè)流式多處理器可以視為具有較小結(jié)構(gòu)的CPU，支持指令并行（多發(fā)射）。流式多處理器是線程塊的運(yùn)行載體，但一般不支持亂序執(zhí)行。每個(gè)流式多處理器上的單個(gè)Warp以SIMD方式執(zhí)行相同指令。

圖 3-1 流式多處理器在GPU架構(gòu)中的位置（以NVIDIA Tesla架構(gòu)為例，修改自NVIDIA）

3.1 整體微架構(gòu)

圖 3-3是流式多處理器（SM，AMD稱之為計(jì)算單元）微架構(gòu)（根據(jù)公開文獻(xiàn)和專利信息綜合獲得）。

流式多處理器按照流水線可以分為SIMT前端和SIMD后端。整個(gè)流水線處理劃分為六個(gè)階段，包括取指、譯碼、發(fā)射、操作數(shù)傳送、執(zhí)行與寫回。

圖 3-2 GPGPU的流式多處理器結(jié)構(gòu)劃分

SIMD即單指令多數(shù)據(jù)，采用一個(gè)控制器來控制多組計(jì)算單元（或處理器），同時(shí)對(duì)一組數(shù)據(jù)（向量）中的每一個(gè)數(shù)據(jù)分別執(zhí)行相同的操作從而實(shí)現(xiàn)空間并行性計(jì)算的技術(shù)。

SIMT即單指令多線程，多個(gè)線程對(duì)不同的數(shù)據(jù)集執(zhí)行相同指令。SIMT的的優(yōu)勢在于無須把數(shù)據(jù)整理為合適的矢量長度，并且SIMT允許每個(gè)線程有不同的邏輯分支。

按照軟件級(jí)別，SIMT層面，流式多處理器由線程塊組成，每個(gè)線程塊由多個(gè)線程束組成；SIMD層面，每個(gè)線程束內(nèi)部在同一時(shí)間執(zhí)行相同指令，對(duì)應(yīng)不同數(shù)據(jù)，由統(tǒng)一的線程束調(diào)度器（Warp scheduler）調(diào)度。

一般意義上的CUDA核，對(duì)應(yīng)于流處理器（SP），以計(jì)算單元和分發(fā)端口為主組成。

線程塊調(diào)度程序?qū)⒕€程塊分派給 SIMT 前端，線程在流式多處理器上以Warp為單位并行執(zhí)行。

圖 3-3 GPGPU的流式多處理器微架構(gòu)

流式多處理器中的主要模塊包括：

取指單元（I-Fetch）：負(fù)責(zé)將指令請求發(fā)送到指令緩存。并將程序計(jì)數(shù)器 (PC)指向下一條指令。

指令緩存（I-Cache）：如來自取指單元的請求在指令緩存中被命中，則將指令傳送給譯碼單元，否則把請求保存在未命中狀態(tài)保持寄存器（MSHR）中。

譯碼單元（Decode）：將指令解碼并轉(zhuǎn)發(fā)至I-Buffer。該單元還將源和目標(biāo)寄存器信息轉(zhuǎn)發(fā)到記分牌，并將指令類型、目標(biāo)地址（用于分支）和其他控制流相關(guān)信息轉(zhuǎn)發(fā)到 SIMT 堆棧。

SIMT 堆棧（SIMT Stack）：SIMT堆棧負(fù)責(zé)管理控制流相關(guān)的指令和提供下一程序計(jì)數(shù)器相關(guān)的信息。

記分牌（Scoreboard）：用于支持指令級(jí)并行。并行執(zhí)行多條獨(dú)立指令時(shí)，由記分牌跟蹤掛起的寄存器寫入狀態(tài)避免重復(fù)寫入。

指令緩沖（I-Buffer）：保存所有Warp中解碼后的指令信息。Warp 的循環(huán)調(diào)度策略決定了指令發(fā)射到執(zhí)行和寫回階段的順序。

后端執(zhí)行單元：后端執(zhí)行單元包括CUDA核心（相當(dāng)于ALU）、特殊功能函數(shù)、LD/ST單元、張量核心（Tensor core）。特殊功能單元的數(shù)量通常比較少，計(jì)算相對(duì)復(fù)雜且執(zhí)行速度較慢。（例如，正弦、余弦、倒數(shù)、平方根）。

共享存儲(chǔ)：除了寄存器文件，流式多處理器也有共享存儲(chǔ)，用于保存線程塊不同線程經(jīng)常使用的公共數(shù)據(jù)，以減少對(duì)全局內(nèi)存的訪問頻率。

3.2 取指與譯碼

圖 3-4 GPU執(zhí)行流程（修改自 GPGPU-Sim）

取指-譯碼-執(zhí)行，是處理器運(yùn)行指令所遵循的一般周期性操作。

取指一般是指按照當(dāng)前存儲(chǔ)在程序計(jì)數(shù)器（Program Counter，PC）中的存儲(chǔ)地址，取出下一條指令，并存儲(chǔ)到指令寄存器中的過程。在取指操作結(jié)束時(shí)，PC 指向?qū)⒃谙乱粋€(gè)周期讀取的下一條指令。

譯碼一般是指將存儲(chǔ)在指令寄存器中的指令解釋為傳輸給執(zhí)行單元的一系列控制信號(hào)。

圖 3-5 取指譯碼結(jié)構(gòu)

在GPGPU中，譯碼之后要對(duì)指令進(jìn)行調(diào)度，以保證后繼執(zhí)行單元的充分利用。這一調(diào)度通過線程束調(diào)度器（Warp Scheduler）實(shí)現(xiàn)。

線程束是為了提高效率打包的線程集合（NVIDIA稱之為Warps，AMD稱為Wavefronts）。在每一個(gè)循環(huán)中的調(diào)度單位是Warp，同一個(gè)Warp內(nèi)每個(gè)線程在同一時(shí)刻執(zhí)行相同命令。

取指與譯碼操作過程如下：

取指模塊（I-Fetch）根據(jù)PC指向的指令，從內(nèi)存中獲取到相應(yīng)的指令塊。需要注意的是，在GPGPU中，一般沒有CPU中常見的亂序執(zhí)行。

圖 3-5 取指模塊

指令緩存（I-Cache）讀取固定數(shù)量的字節(jié)（對(duì)齊），并將指令位存儲(chǔ)到寄存器中。

對(duì)I-Cache的請求會(huì)導(dǎo)致命中、未命中或保留失?。≧eservation fail）。保留失敗發(fā)生于未命中保持寄存器 (MSHR) 已滿或指令緩存中沒有可替換的區(qū)塊。不管命中或者未命中，循環(huán)取指都會(huì)移向下一Warp。
在命中的情況下，獲取的指令被發(fā)送到譯碼階段。在未命中的情況下，指令緩存將生成請求。當(dāng)接收到未命中響應(yīng)時(shí)，新的指令塊被加載到指令緩存中，然后Warp再次訪問指令緩存。

指令緩沖（I-Buffer）用于從I-Cache中獲取指令后對(duì)譯碼后的指令進(jìn)行緩沖。最近獲取的指令被譯碼器譯碼并存儲(chǔ)在 I-Buffer 中的相應(yīng)條目中，等待發(fā)射。

每個(gè) Warp 都至少對(duì)應(yīng)兩個(gè) I-Buffer。每個(gè) I-Buffer 條目都有一個(gè)有效位（Valid）、就緒位（Ready）和一個(gè)存于此 Warp 的已解碼的指令。有效位表示在 I-Buffer 中的該已解碼的指令還未發(fā)射，而就緒位則表示該Warp的已解碼的指令已準(zhǔn)備好發(fā)射到執(zhí)行流水線。

圖 3-4 指令緩沖

當(dāng)Warp內(nèi)的I-Buffer 為空時(shí)，Warp以循環(huán)順序訪問指令緩存。（默認(rèn)情況下，會(huì)獲取兩條連續(xù)的指令）這時(shí)對(duì)應(yīng)指令在I-Buffer中的有效位被激活，直到該Warp的所有提取的指令都被發(fā)送到執(zhí)行流水線。

當(dāng)所有線程都已執(zhí)行，且沒有任何未完成的存儲(chǔ)或?qū)Ρ镜丶拇嫫鞯膾炱饘懭?，則 Warp 完成執(zhí)行且不再取指。當(dāng)線程塊中的所有Warp都執(zhí)行完成且沒有掛起的操作，標(biāo)記線程塊完成。所有線程塊完成標(biāo)記為內(nèi)核已完成。

相對(duì)于CPU，GPU的前端一般沒有亂序發(fā)射，每個(gè)核心的尺寸就可以更小，算力更密集。

3.3 發(fā)射

發(fā)射是指令就緒后，從指令緩沖進(jìn)入到執(zhí)行單元的過程。

在（譯碼后的）指令發(fā)射階段，指令循環(huán)仲裁選擇一個(gè)Warp，將I-Buffer中的發(fā)射到流水線的后級(jí)，且每個(gè)周期可從同一Warp發(fā)射多條指令。

所發(fā)射的有效指令應(yīng)符合以下條件：

在Warp里未被設(shè)置為屏障等待狀態(tài)；

在I-Buffer中已被設(shè)置為有效指令（有效位被置為1）；

已通過計(jì)分板（Scoreboard）檢查；

指令流水線的操作數(shù)訪問階段處于有效狀態(tài)。

在GPU中，不同的線程束的不同指令，經(jīng)由SIMT堆棧和線程束調(diào)度，選擇合適的就緒的指令發(fā)射。

在發(fā)射階段，存儲(chǔ)相關(guān)指令（Load、Store等）被發(fā)送至存儲(chǔ)流水線進(jìn)行相關(guān)存儲(chǔ)操作。其他指令被發(fā)送至后級(jí)SP（流處理器）進(jìn)行相關(guān)計(jì)算。

3.3.1 SIMT堆棧

SIMT堆棧用于在Warp前處理SIMT架構(gòu)的分支分化的執(zhí)行。一般采用后支配堆棧重收斂機(jī)制來減少分支分化對(duì)計(jì)算效率的負(fù)面影響。

SIMT 堆棧的條目代表不同的分化級(jí)別，每個(gè)條目存儲(chǔ)新分支的目標(biāo) PC、后繼的直接主要再收斂 PC 和分布到該分支的線程的活動(dòng)掩碼。在每個(gè)新的分化分支，一個(gè)新條目被推到棧頂；而當(dāng) Warp 到達(dá)其再收斂點(diǎn)時(shí)，棧頂條目則被彈出。每個(gè) Warp 的 SIMT 堆棧在該 Warp 的每個(gè)指令發(fā)出后更新。

線程束分化

從功能角度來看，雖然SIMT架構(gòu)下每個(gè)線程獨(dú)立執(zhí)行，但在實(shí)際的計(jì)算過程中會(huì)遇到一些分支的處理，即有些線程執(zhí)行一個(gè)分支，而另外的線程則執(zhí)行其他分支。如果在同一個(gè)Warp內(nèi)不同的線程執(zhí)行不同的分支，就會(huì)造成線程束分化，導(dǎo)致后繼SIMD計(jì)算的效率降低。因此應(yīng)盡量避免線程束的分化。

圖 3-6 線程束分化與重聚合

SIMT堆棧功能

SIMT堆棧模塊可有效改善線程束分化引起的GPGPU執(zhí)行單元利用率下降的問題。

SIMT堆棧重點(diǎn)解決：

控制流嵌套問題（Nested Control Flow）
在控制流嵌套中，一個(gè)分支嚴(yán)重地依賴另一個(gè)分支，這極大影響了線程的獨(dú)立性。

如何跳過計(jì)算過程（Skip Computation）

由于線程束分支的存在，導(dǎo)致同一個(gè)Warp內(nèi)的有些線程并不必要執(zhí)行某些計(jì)算指令。

3) SIMT掩碼

SIMT堆棧中使用了SIMT掩碼（SIMT Mask）來處理線程束分化問題，以下例來說明掩碼如何控制整個(gè)Warp的執(zhí)行。

4)?SIMT 掩碼引起的死鎖問題

SIMT 掩碼可以解決Warp內(nèi)分支執(zhí)行問題，通過串行執(zhí)行完畢分支之后，線程在Reconverge Point（重合點(diǎn)）又重新聚合在一起以便最大提高其并行能力。

但對(duì)于一個(gè)程序來說，如果出現(xiàn)分支就表明每個(gè)分支的指令和處理是不一致的，容易使一些共享數(shù)據(jù)失去一致性。如果在同一個(gè)Warp內(nèi)如果存在分支，則線程之間可能不能夠交互或者進(jìn)行數(shù)據(jù)交換，在一些實(shí)際算法中可能使用鎖定（Lock）機(jī)制來進(jìn)行數(shù)據(jù)交換。但掩碼恰恰可能因?yàn)檎{(diào)度失衡，造成鎖定一直不能被解除，造成死鎖問題。

5) GPGPU解決死鎖的方法

圖 3-8 V100 Warp調(diào)度對(duì)比圖[2]

解決死鎖的方法如下：

NVIDIA為V100 中Warp內(nèi)的每個(gè)線程都分配了一個(gè)PC指針和堆棧，將PC指針的顆粒度細(xì)化到每一個(gè)線程中去，保障數(shù)據(jù)交換避免死鎖。（圖3-5）

為避免細(xì)粒度的PC指針和堆棧與GPU的SIMT執(zhí)行模型產(chǎn)生沖突，硬件仍以Warp為單位來進(jìn)行線程調(diào)度。

使用了Schedule Optimizer（調(diào)度優(yōu)化器）硬件模塊來決定哪些線程可以在一個(gè)Warp內(nèi)進(jìn)行調(diào)度，將相同的指令重新進(jìn)行組織排布到一個(gè)Warp內(nèi)，并執(zhí)行SIMD模型，以保證利用效率最大化[2]。

3.3.2 線程束調(diào)度與記分牌

進(jìn)行線程束（Warp）調(diào)度的目的是充分利用內(nèi)存等待時(shí)間，選擇合適的線程束來發(fā)射，提升執(zhí)行單元計(jì)算效率。

在理想的計(jì)算情況下，GPU內(nèi)每個(gè)Warp內(nèi)的線程訪問內(nèi)存延遲都相等，那么可以通過在Warp內(nèi)不斷切換線程來隱藏內(nèi)存訪問的延遲。

GPU將不同類型的指令分配給不同的單元執(zhí)行，LD/ST硬件單元用于讀取內(nèi)存，而執(zhí)行計(jì)算指令可能使用INT32或者FP32硬件單元，且不同硬件單元的執(zhí)行周期數(shù)一般不同。這樣，在同一個(gè)Warp內(nèi)，執(zhí)行的內(nèi)存讀取指令可以采用異步執(zhí)行的方式，即在讀取內(nèi)存等待期間，下一刻切換線程其他指令做并行執(zhí)行，使得GPU可以一邊進(jìn)行讀取內(nèi)存指令，一邊執(zhí)行計(jì)算指令動(dòng)作，通過循環(huán)調(diào)用（Round Robin）隱藏內(nèi)存延遲問題，提升計(jì)算效率。

在理想狀態(tài)下，可以通過這種循環(huán)調(diào)用方式完全隱藏掉內(nèi)存延遲。但在實(shí)際計(jì)算流程中，內(nèi)存延遲還取決于內(nèi)核訪問的內(nèi)存位置，以及每個(gè)線程對(duì)內(nèi)存的訪問數(shù)量。

內(nèi)存延遲問題影響著Warp調(diào)度，需要通過合理的Warp調(diào)度來隱藏掉內(nèi)存延遲問題。

1) 指令順序調(diào)整的原因

在同一個(gè)Warp的單個(gè)線程中，調(diào)整發(fā)送到ALU將要執(zhí)行的指令順序，可以隱藏掉一部分內(nèi)存延遲問題。例如讀取指令和加法指令使用的是不同的硬件單元，在第一個(gè)時(shí)鐘周期執(zhí)行內(nèi)存讀取指令之后，下一個(gè)時(shí)鐘周期不必等待讀取內(nèi)存指令，而是可以直接執(zhí)行加法指令，從而實(shí)現(xiàn)一邊計(jì)算一邊讀取，來提高整個(gè)運(yùn)行效率。

但在實(shí)際情況中，后一個(gè)指令有可能是依賴于前一個(gè)指令的讀取結(jié)果。要解決該問題就需要GPU提前對(duì)指令之間的依賴關(guān)系進(jìn)行預(yù)測，解析出指令之間的獨(dú)立性和依賴關(guān)系。

圖 3-11動(dòng)態(tài)線程束示例（來源：WILSON W. L. FUNG等）

2) 記分牌與指令順序調(diào)整的方法

GPU在這里參考了CPU設(shè)計(jì)，為了解析指令之間的獨(dú)立性，采用順序記分牌（In-Order Scoreboard）。

對(duì)于單線程束情況，

每個(gè)寄存器在記分牌中都對(duì)應(yīng)一個(gè)標(biāo)志位，用于表示該寄存器是否已被寫入數(shù)據(jù)，如果置1則表示該寄存器已經(jīng)被寫入。

此時(shí)如果另外一個(gè)指令想要讀或者寫該寄存器，則會(huì)處于一直等待狀態(tài)，一直到該寄存器的標(biāo)志位被清零（表明之前寫寄存器操作完成）。這樣就可以阻止Read-After-Write和Write-After-Write的問題。

當(dāng)順序記分牌和順序指令（In-Order Instruction）結(jié)合時(shí)，能避免Write-After-Read的問題。

圖 3-11數(shù)據(jù)沖突與流水線結(jié)構(gòu)相關(guān)

對(duì)于多線程束情況，將上述方法應(yīng)用到GPU時(shí)，還需要解決兩個(gè)問題：

由于有大量寄存器GPU，在每組寄存器中增加一個(gè)標(biāo)志位將需要占用更多額外的寄存器。

在GPU中，一般會(huì)有很多個(gè)線程同時(shí)執(zhí)行同一指令，一旦其執(zhí)行的指令被打斷，會(huì)有很多線程同時(shí)訪問Scoreboard造成讀取阻塞。

對(duì)于多線程束情況，可通過動(dòng)態(tài)記分牌解決上面的兩個(gè)問題：

圖 3-9 記分牌Entry流程

為每個(gè)Warp創(chuàng)建幾個(gè)入口（Entry），每個(gè)入口與一個(gè)即將被寫但操作尚未完成的寄存器相對(duì)應(yīng)。記分牌在指令進(jìn)入指令緩沖區(qū)（Instruction buffer，I-Buffer）和寫操作完成結(jié)果存入Register File時(shí)能被訪問（圖3-6）

當(dāng)一個(gè)指令從內(nèi)存中讀取出來放入到I-Buffer時(shí)，將該指令中的源寄存器和目的寄存器與Entry做比較，看是否有其他指令集已經(jīng)對(duì)該寄存器在做寫操作，如果有則返回一個(gè)bit Vector，與該寄存器一起寫入到I-Buffer中。如果該指令集的寫操作完成了，將會(huì)刷新I-Buffer中的該指令集寄存器的bit Vector，將bit Vector清除掉。

如果一個(gè)指令做寫操作，并需要將該寄存器放入Entry中，但是此Entry已經(jīng)滿了，那么該指令將會(huì)一直等待，或者被丟棄過一定時(shí)鐘周期后被重新獲取再次查看Entry是否滿[3]。

編輯：黃飛

?